基于关联混合推理的电气设备运行状态异常识别方法与流程

本发明涉及电气设备运行状态异常识别方法领域，特别是涉及一种基于关联混合推理的电气设备运行状态异常识别方法。

背景技术：

1、随着电网规模的不断扩大，当电气设备运行状态异常时会有大量丰富的异常信息送入调度中心，如何从海量异常数据中有效地提取信息，以及如何从信息中及时地识别异常的运行状态成为急需解决的问题，目前识别电气设备运行状态异常的方法大多停留在人工识别阶段，部分投入运行的电气设备运行状态异常识别系统在异常信息不确定时难以保证容错性，因此电气设备运行状态异常识别一直是理论和应用研究的热点。

2、目前，国内外电气设备运行状态异常识别方法的主要现状和问题总结如下：

3、1)基于物理模型的运行状态异常识别方法，通常包含了对电气设备动力学特性的分析，通过探索相应的物理性质、退化等规律，建立描述状态识别的模型，对未来运行状态的发展趋势进行预测，对运行状态存在明显异常的设备预测精度较高。改进半物理的模型，结合k-means聚类法对预测状态的相关对象进行分段，基于分段距离建立函数，实现了对电气设备运行状态的准确预测。但是由于不同电气设备组成、结构和运行状态的影响因素不同，模型需要根据设备特性不断变换，增加了成本和复杂度，基于模型的识别方法通常运用于结构简单、机理易于被量化的系统中，在实际应用中很受限制。

4、2)基于支持向量机的运行状态异常识别方法，属于二分类模型，结构简单，初始化速度快，具有强大的泛化能力，可以有效解决非线性问题。运用变分模态法对电力负荷曲线进行分解，然后利用svm法进行状态识别并通过麻雀搜索算法优化结果，提升了短期电力负荷的识别精度，svm模型利用内积核函数降低了计算复杂度，具有一定的鲁棒性，但是训练大规模样本时运行成本高，并且核函数选择不当会对结果产生较大影响，因此具有一定的局限性。

5、3)基于人工神经网络的运行状态异常识别方法，神经网络是现代智能技术的重要研究内容之一，它以网络拓扑知识为理论基础，非线性强，且鲁棒性高，能够处理复杂的逻辑系统。利用遗传算法与bp神经网络相结合的模型预测机组振动运行趋势，通过预测振动信号提高了识别未来异常运行状态的精确度。人工神经网络的灵活性高，有强大的信息自适应能力，但是相对于深度学习算法，其学习能力不够强，未来将逐步被深度学习算法代替。

6、目前电气设备运行状态异常识别方法的主要问题集中在模型通用性差、训练大规模样本时运行成本高和学习能力较差等问题。

技术实现思路

1、本发明提供了一种基于关联混合推理的电气设备运行状态异常识别方法，将基于关联规则挖掘改进的apriori算法即dlg算法应用于电气设备异常识别中，利用最佳属性约简组合形成的约简决策表和关联规则交互式挖掘来推理并识别设备异常运行状态，实现以较低的成本对电气设备异常运行状态识别的有效性和实时性。

2、本发明将关联规则数据挖掘dlg算法引入到电气设备运行状态异常识别中，首先以保护作为条件属性，异常区域作决策属性，考察各种异常情况并建立原始决策表，然后利用关联规则挖掘进行属性约简，通过修改阈值进行交互式挖掘，直接提取最佳属性约简组合，然后利用最佳属性约简组合形成的约简决策表和关联规则交互式挖掘，针对电气设备各种情况的异常信息进行异常识别。

3、为了实现本发明的目的，所采用的技术方案是：基于关联混合推理的电气设备运行状态异常识别方法，包括：

4、获取电气设备异常运行状态信息，将关联规则数据挖掘dlg算法引入到电气设备运行状态异常识别中，首先以保护作为条件属性，异常区域作决策属性，考察各种异常情况并建立原始决策表，然后利用关联规则挖掘进行属性约简，通过修改阈值进行交互式挖掘，直接提取最佳属性约简组合，然后利用最佳属性约简组合形成的约简决策表和关联规则交互式挖掘，针对电气设备各种情况的异常运行状态信息进行异常识别；利用关联规则挖掘发现隐藏在海量数据中的有关联关系有价值的数据模式，得到电气设备运行状态异常的区域。

5、作为本发明的优化方案，关联规则数据挖掘dlg算法包括：

6、1)产生频繁1项目集阶段，产生频繁1项目集并记录相关信息；

7、2)关联图的构造，用以展示频繁项目之间的关联；

8、3)基于关联图的构造来产生k频繁项目集。

9、作为本发明的优化方案，利用关联规则挖掘进行属性约简包括：i是描述运行状态异常的文字集合，其中的元素称为项，记d为异常之间的因果关系的集合，t是项的集合，并且对应每一个异常因果关系有惟一的标识，记作tid，设x是i中项的集合，如果那么称t包含x；一个关联规则是x＝>y的蕴涵式，这里并且x∩y＝φ。

10、作为本发明的优化方案，度量关联规则有三个指标，分别是支持度、置信度和相关度是指：关联规则x＝>y的支持度表示在因果集d中包含x∪y的元组所占的比例，关联规则x＝>y的置信度表示因果集d中包含x∪y的元组的数目和包含x的元组数目的比值，相关度是指x和y是正相关或负相关。

11、作为本发明的优化方案，所述最佳属性约简组合形成的约简决策表和关联规则交互式挖掘是指：利用基于关联图结构的dlg算法，通过减少事务数据库的扫描次数，进而减少关联混合推理过程的io代价，通过关联混合推理出的结果中每一个合理的关联规则都对应于含有一个属性的约简组合。

12、作为本发明的优化方案，所述利用关联规则挖掘发现隐藏在海量数据中的有关联关系有价值的数据模式包括：根据电气设备异常运行状态信息建立决策表输入数据库，形成数据源，作为关联规则挖掘处理的事务表，然后用dlg算法得到频繁项集，通过修改关联规则参数进行交互式挖掘，以确定合适的支持度阈值、置信度阈值和相关度阈值，依据提取出的强关联规则就能推理出电气设备运行状态异常的区域。

13、作为本发明的优化方案，所述依据提取出的强关联规则就能推理出电气设备运行状态异常的区域包括：给定一组电气设备运行状态异常信息c＝{c1,c2,...cm}和运行状态异常区域s＝{sec1,sec2,...,secn}，异常识别关联规则是x＝>y的蕴含式，若算法实现得到的关联规则的表达式为{c1,c2,c3＝>sec2}，即说明由这些电气设备运行状态信息来识别得出的异常区域是sec2。

14、本发明具有积极的效果：1)本发明为解决识别电气设备异常运行状态的过程中成本高、模型通用性差等问题，利用关联规则挖掘发现隐藏在海量数据中的有关联关系有价值的数据模式，对识别决策的生成具有重要的实用价值，该方法在一定电网规模和保护动作信息不完备的情况下，异常识别的正确性高、容错性好，实用性强。

15、2)本发明用关联规则挖掘进行属性约简时，通过修改阈值进行交互式挖掘，能直接得到最佳约简事务表，省去传统算法中用粗糙集约简属性后再采用基于平均信息的最佳属性约简组合选择法的计算量。

16、3)本发明在异常信息准确且完整，丢失或出错的异常信息不是核属性的情况下，算例结果表明仍能迅速得到正确的运行状态异常识别结果，识别的准确率高。当核属性信息部分丢失或出错时，正确识别率不高，但当出现设定异常区域的异常概率不是最高时，也排在第二位，对调度人员的决策有辅助作用，表明该方法有一定的容错性。

17、4)本发明利用dlg算法，其关联图结构减少apriori系列算法两种可能的开销，分别是可能需要产生大量候选集和可能需要重复扫描数据库，dlg算法通过模式匹配检查一个很大的候选集合，进而有效减少识别异常过程的io代价，提高异常识别模型的计算效率，对提高电网故障诊断的有效性和实时性也是极其重要的。